IA discriminativa: modelli decisionali, esempi e applicazioni
Scopri come l'IA discriminativa e i modelli decisionali classificano, instradano e valutano gli input, quali differenze presentano rispetto all'IA generativa e come gli sviluppatori possono utilizzarli.
Arriva una richiesta all'assistenza: «Mi è stato addebitato due volte lo stesso importo e desidero un rimborso». La tua applicazione non ha per forza bisogno di un paragrafo generato da un modello di IA. Potrebbe aver bisogno, come primo passo, di una decisione: il ticket deve essere assegnato al reparto fatturazione, all'assistenza tecnica o alle vendite?
L'IA discriminativa è progettata per prevedere un'etichetta, un punteggio o un altro valore di destinazione a partire da un input. Una nuova categoria di modelli decisionali porta questo concetto nelle API per sviluppatori: fornisci al modello un contesto e una domanda definita e ricevi una decisione strutturata o una serie di probabilità utilizzabili dal software. Questa guida illustra il funzionamento di questi modelli, il loro ruolo accanto all'IA generativa e i metodi per valutarli.
Che cos'è l'IA discriminativa?
L'IA discriminativa prevede una caratteristica di un input. Un filtro antispam prevede se un'email è spam; un classificatore assegna un ticket di assistenza a un team; un modello di rischio stima la probabilità di un risultato specifico.
Nel machine learning, i modelli discriminativi apprendono una funzione che associa un input x a un valore di destinazione y, oppure stimano la probabilità condizionata P(y | x). Il valore di destinazione può essere una classe, un valore numerico o un altro output strutturato. La regressione logistica, le macchine a vettori di supporto e molte reti neurali di classificazione sono esempi di approcci discriminativi. Non tutti i modelli discriminativi restituiscono una probabilità e non tutti i punteggi numerici sono ben calibrati.
L'idea alla base di questo approccio precede gli assistenti IA attuali. La novità consiste nella disponibilità di API decisionali multiuso che accettano descrizioni delle attività e opzioni di risposta in linguaggio naturale. Gli sviluppatori possono così applicare la stessa interfaccia a numerose attività di classificazione o valutazione.
Che cos'è un modello decisionale di IA?
Nell'attuale panorama delle API, un modello decisionale indica in genere un modello o un servizio progettato per rispondere a domande circoscritte su un input fornito. Invece di comporre una risposta in testo libero, restituisce un risultato tipizzato, come:
- Probabilità sì/no: Quanto è probabile che questo messaggio contenga una richiesta di rimborso?
- Scelta: Quale reparto deve ricevere questo ticket?
- Punteggio: Quale posizione occupa questa risposta in una griglia di valutazione della qualità?
Ad esempio, un modello decisionale può restituire l'etichetta «fatturazione» e le stime di probabilità per ciascun reparto. L'applicazione può utilizzare questi risultati per instradare il ticket, richiedere altre informazioni o inviarlo a un revisore umano.
TypeSafe definisce la propria famiglia Jev di modelli come modelli «System One». Liquid AI descrive il proprio modello decisionale d1 come un sistema che accetta testo e immagini e restituisce probabilità senza generare token di output. Il Google Codelab sui modelli discriminativi mostra come utilizzare un modello decisionale insieme a un modello generativo all'interno di un'applicazione.
I termini sono correlati, ma non sono intercambiabili. La modellazione discriminativa è un concetto ampio del machine learning; un modello decisionale è un prodotto o un'interfaccia dedicata a decisioni circoscritte. Un modello generativo può classificare il testo attraverso un prompt, anche se il suo processo di generazione sottostante e il formato della risposta sono diversi.
Consideriamo il ticket relativo al rimborso. Un modello decisionale può identificare il problema come una questione di fatturazione e stimarne l'urgenza. Un modello generativo può poi preparare una risposta empatica sulla base della politica di rimborso pertinente. Prima di intraprendere qualsiasi azione, l'applicazione deve comunque verificare le politiche, le autorizzazioni e gli eventuali requisiti di approvazione umana.
IA discriminativa vs. IA generativa
| IA discriminativa | IA generativa | |
|---|---|---|
| Domanda tipica | «Quale categoria corrisponde a questo input?» | «Quale risposta o contenuto deve essere prodotto?» |
| Output comune | Etichetta, previsione, punteggio o probabilità | Testo, codice, immagine, audio o altro contenuto generato |
| Attività di esempio | Instradare un ticket di un cliente | Preparare una risposta per il cliente |
| Punto di forza da valutare | Decisioni circoscritte coerenti e punteggi utilizzabili | Sintesi flessibile, spiegazioni e creazione di contenuti |
| Principale aspetto da valutare | Errori di classificazione, calibrazione e soglie | Accuratezza, rispetto delle istruzioni, sicurezza e utilità |
Il confine tra i due approcci non significa che ciascun modello possa svolgere una sola attività. Un LLM può restituire etichette JSON e un sistema decisionale può utilizzare un modello generativo all'interno di un flusso di lavoro più ampio. La distinzione pratica riguarda le funzioni per cui ciascun componente è ottimizzato e progettato. Una risposta API strutturata non dimostra, da sola, che le probabilità siano calibrate o che il modello sottostante sia discriminativo.
Consideriamo il ticket relativo al rimborso. Un modello decisionale può identificare il problema come una questione di fatturazione e stimarne l'urgenza. Un modello generativo può poi preparare una risposta empatica sulla base della politica di rimborso pertinente. Prima di intraprendere qualsiasi azione, l'applicazione deve verificare le politiche, le autorizzazioni e gli eventuali requisiti di approvazione umana.
Come funzionano i modelli decisionali in un'applicazione
Lo schema esatto varia in base al provider, ma una richiesta decisionale tipica contiene tre elementi:
- Stato: Le informazioni da valutare, come il testo di un ticket o un'immagine.
- Domanda e criteri: La decisione da prendere e le descrizioni delle risposte o dei livelli di punteggio consentiti.
- Risposta tipizzata: Un'etichetta, un punteggio o una distribuzione di probabilità che l'applicazione deve interpretare.
Ad esempio:
State: "I was charged twice for my subscription."
Question: Which team should handle this request?
Options: billing, technical support, sales
Illustrative result: billing
Si tratta di un esempio concettuale, non di una risposta API reale. In base all'endpoint, il modello può fornire anche un livello di confidenza o delle probabilità. Consulta la documentazione del modello e dell'API scelti, senza presumere che tutti i provider utilizzino lo stesso formato di richiesta o supportino le stesse modalità di input.
Che cosa significano i punteggi di probabilità?
Una probabilità prevista è utile solo se ne conosci l'affidabilità. Se un sistema assegna un valore di 0,8 a numerose previsioni simili, un sistema ben calibrato dovrebbe ottenere risultati corretti in circa l'80% dei casi di quel gruppo. Un singolo punteggio di 0,8 non garantisce che una decisione individuale sia corretta.
Verifica la calibrazione sui tuoi dati, soprattutto dopo modifiche ai modelli, alle etichette, alle lingue o alle fonti degli input. Puoi utilizzare soglie per indirizzare i casi con un basso livello di confidenza verso una revisione, ma scegli tali soglie in base ai costi dei falsi positivi e dei falsi negativi. Una coda per la revisione delle frodi e una raccomandazione innocua di contenuti richiedono regole diverse.
Esempi e casi d'uso dell'IA discriminativa
Classificazione e instradamento dei ticket di assistenza
Un modello decisionale può assegnare i messaggi in arrivo ai reparti fatturazione, assistenza tecnica o gestione degli account. Aggiungi un percorso «altro» o «richiede revisione» per le richieste ambigue e verifica i messaggi che contengono più problemi. Valuta il tasso di errore per categoria, non solo l'accuratezza complessiva: un modello che non rileva i reclami urgenti relativi alla fatturazione può ottenere buoni risultati su un dataset composto in prevalenza da domande di routine.
Moderazione dei contenuti
Un flusso di moderazione può chiedere se un contenuto rientra in una categoria definita dalle politiche. Fornisci al modello criteri chiari ed esempi, valuta i casi limite e assegna i casi incerti o rilevanti a revisori qualificati. Un punteggio decisionale è un elemento del processo di applicazione delle politiche, non la prova che un contenuto violi una regola.
Instradamento di LLM e agenti
Prima di chiamare un LLM, un'applicazione può classificare una richiesta in base all'argomento, alla complessità o alla modalità richiesta. Un componente di instradamento può quindi selezionare un flusso di lavoro o richiedere altre informazioni. Verifica l'instradamento insieme al sistema a valle: un primo passaggio economico non è utile se invia con regolarità le richieste difficili verso il percorso sbagliato.
Smistamento di documenti e immagini
Un modello decisionale multimodale può classificare se un'immagine o un documento appartiene a una categoria predefinita, come una fattura, una ricevuta o uno screenshot di assistenza. Verifica che l'endpoint supporti il formato di input e la gestione delle immagini richiesti. La classificazione è diversa dall'estrazione di tutti i campi di un documento: controlla se il modello e l'API scelti supportano entrambe le attività.
Valutazione tramite griglie di criteri
Un modello può collocare una risposta su una scala ordinata usando descrizioni come «mancano prove fondamentali», «supporto parziale» e «supporto completo». Verifica l'accordo tra i revisori sulle etichette e la coerenza del modello nella valutazione di risposte simili. Evita di presentare i punteggi delle griglie come misurazioni oggettive senza una convalida.
Modelli decisionali disponibili nel catalogo dei modelli Felo
Il catalogo dei modelli Felo include un filtro di output Decisions. Secondo l'elenco del 2 novembre 2026, alcuni esempi sono:
| Modello nel catalogo | Uso descritto | Input indicati nel catalogo |
|---|---|---|
| TypeSafe Jev 1.14 | Instradamento, classificazione e moderazione | Testo e immagini; la scheda descrive il supporto delle immagini come sperimentale |
| LiquidAI d1.1 | Decisioni sì/no, scelte e punteggi | Testo e immagini |
| Baseten Joey 1 | Classificazione e instradamento | Testo e immagini |
| Perplexity Decider Flash V1.2 | Classificazione, instradamento e valutazione | Testo e immagini |
Queste descrizioni riflettono il catalogo e non costituiscono test indipendenti delle prestazioni né una raccomandazione a favore di un modello. La disponibilità, il supporto delle funzionalità, i limiti del contesto e i prezzi possono cambiare. Consulta la scheda e la documentazione dell'endpoint prima dello sviluppo, soprattutto per le funzionalità sperimentali o multimodali. La presenza di un modello nel catalogo non dimostra, da sola, che le funzionalità native dell'API di ogni provider siano disponibili su tutte le piattaforme.
Come valutare un modello decisionale di IA
Inizia con una decisione circoscritta e una serie di esempi rappresentativi con etichette affidabili. Includi casi difficili, categorie minoritarie, contesti incompleti ed esempi in cui è necessario l'intervento umano. Confronta poi il modello con una baseline semplice, un classificatore esistente o un LLM con output strutturato.
Misura più della sola accuratezza:
- Precisione e richiamo: Quali errori sono rilevanti e con quale frequenza si verificano per ciascuna classe?
- Calibrazione: Le probabilità previste corrispondono ai risultati osservati nei gruppi di casi?
- Copertura: Quale percentuale di richieste può essere gestita in automatico con la soglia scelta?
- Latenza e affidabilità: La chiamata API completa soddisfa i requisiti di produzione?
- Costo: Qual è il costo per ogni decisione utile, inclusi nuovi tentativi, domande multiple, elaborazione delle immagini e revisione umana?
- Robustezza: Le prestazioni restano costanti tra lingue, formati, esempi non familiari e variazioni del traffico?
Utilizza un set di test separato dopo aver regolato le etichette e le soglie. In produzione, registra i risultati quando opportuno, esamina i disaccordi e ripeti la valutazione in caso di modifiche alla versione del modello, alle politiche o alla distribuzione degli input. Per le decisioni con conseguenze rilevanti, progetta un sistema di supervisione umana adeguato e verifica i requisiti applicabili.
Domande frequenti
L'IA discriminativa è uguale a un modello decisionale?
Non esattamente. L'IA discriminativa descrive un approccio ampio alla previsione di un valore di destinazione a partire da un input. I modelli decisionali costituiscono una categoria di prodotti più recente, incentrata su output circoscritti come scelte, punteggi e probabilità. Alcuni modelli decisionali utilizzano tecniche discriminative, ma i due termini non indicano lo stesso concetto.
Un LLM può classificare o prendere decisioni?
Sì. Un LLM generativo può ricevere un prompt per classificare contenuti o restituire output strutturati. Il vantaggio di un modello decisionale dedicato in termini di prestazioni, velocità o costi dipende dall'attività, dal modello, dal provider e dal metodo di valutazione. Prova entrambe le soluzioni sui tuoi esempi.
Le probabilità dei modelli decisionali sono sempre accurate?
No. Un modello può produrre probabilità mal calibrate su un determinato dataset o gruppo di utenti. Misura la calibrazione e le conseguenze degli errori prima di utilizzare soglie per automatizzare un flusso di lavoro.
Quando dovrei utilizzare l'IA generativa?
Utilizza un modello generativo quando l'attività richiede la stesura, la spiegazione, la sintesi o la produzione di contenuti aperti. In molte applicazioni, un modello decisionale e un modello generativo lavorano insieme: il primo instrada o classifica, mentre il secondo crea la risposta.
L'IA discriminativa offre agli sviluppatori un metodo per integrare decisioni esplicite e misurabili nei flussi di lavoro. Inizia con un'attività circoscritta, verifica gli errori rilevanti e stabilisci il livello di automazione supportato dai risultati.
Esplora i modelli decisionali nel catalogo Felo →
Questo articolo è disponibile anche in English, 简体中文, 日本語, 한국어, 繁體中文, हिन्दी, Français, العربية, Русский, اردو, Bahasa Indonesia, Deutsch, Tiếng Việt, Türkçe, ไทย, Español, বাংলা and Português.